Работа современных маркетологов так или иначе связана с анализом и обработкой больших данных. Пытаться делать выводы и принимать решения на основе такого огромного объема информации становится трудной задачей. И здесь на помощь приходит искусственный интеллект. Рассмотрим, как именно он применяется в email-маркетинге.
Под ИИ сегодня понимается свойство машин выполнять не только интеллектуальные задачи, но и творческие, способность делать правильные выводы и самообучаться. Одним из разделов ИИ является машинное обучение (machine learning, MО), главная цель которого — предсказание результата по входным данным
Суть MО заключается в том, что мы не решаем задачу напрямую, а показываем машине исходные данные и полученные на их основе результаты — и она самостоятельно строит взаимосвязи между ними, выявляет закономерности и затем предсказывает результаты для новых данных. В фармацевтике, например, этот метод используется при предсказании третичной структуры белков по первичной последовательности аминокислот. Прямое решение такой задачи зачастую практически нереально, так как для этого необходимо произвести квантовомеханические расчеты для огромного количества атомов. Однако MО ее значительно упрощает: можно загрузить в компьютер уже готовые вычисления структур разных белков и показать, как они скручиваются при той или иной последовательности аминокислот. А затем, если мы загрузим неизвестную последовательность, машина по аналогии предскажет, как молекула свернется, то есть в данном случае она не производит сложные математические вычисления, а выдает результаты на основе аналогии. Это очень похоже на то, как работает интуиция человека.
Элементы машинного обучения
Для успешного обучения машины необходимы три элемента:
- данные;
- признаки;
- алгоритмы.
Главное, на чем базируется MО, — это данные. Их должно быть как можно больше — как минимум 10 тыс. строк. Такой объем данных необходим, чтобы получить статистически достоверный результат. Именно по этой причине большинство ИТ-компаний воюют за сбор данных.
Признаки, или фичи, это то, на что система должна ориентироваться в работе: критерии и маркеры, по которым она понимает, достигла она цели или нет. Ведь в обучении самое главное — это обратная связь. Так, невозможно научиться играть в гольф «в темноте», то есть не зная попадаете вы в лунку или нет. Неправильно расставленные фичи — большая проблема различных рекомендательных систем. К примеру, машине ставят задачу показывать пользователю товары, которые он покупает чаще среднего. Но вот человек покупает диван, и система начинает рекомендовать ему купить еще один. Но ведь даже один диван — это чаще среднего. В данном случае правильнее было бы вносить метки рекомендованных товаров вручную.
Алгоритмов может быть много, и от этого выбора зависят точность, скорость работы и размер готовой модели.
Как правило, ограничения, связанные с использованием ИИ в email-маркетинге, кроются в недостатке первого элемента — данных. Даже самый хороший алгоритм не сможет компенсировать проблему нехватки исходной информации. И именно поэтому современные сервисы email-рассылок, предоставляя свои услуги, редко используют MО.
Где применяется
На самом деле, в CRM-маркетинге, частью которого являются email-рассылки, не так много задач, к которым применяется MО. Как правило, речь идет о выборе следующих параметров:
- Канал отправки. Имея достаточно данных, машина способна вычислить, какой именно канал — email, SMS, WhatsApp, Telegram — в конкретном случае будет наиболее эффективным для взаимодействия с клиентом. По факту же компании обычно комбинируют их, исходя из соображений экономии денежных расходов, а не эффективности. Почтовые рассылки в этом списке самые дешевые.
- Время отправки. Вечный вопрос: когда лучше начать рассылку — утром перед работой, вечером после нее или же во время обеденного перерыва? Машина избавит маркетолога от мук выбора и сделает это в самое подходящее время.
- Предложение. Как уже отмечалось, при правильно расставленных фичах клиенты будут получать наиболее актуальные варианты для дальнейших покупок. Покупателям дивана можно порекомендовать набор дизайнерских подушек или светильники.
- Тема. Из несколько вариантов тем для рассылки машина выберет ту, которая будет давать наибольшее количество открытий. Об этом подробнее ниже.
Альтернатива сплит-теста
Самый распространенный метод, упрощающий муки выбора маркетолога, — это сплит-тестирование, или A/B-тестирование. Для этого обычно берут два и более варианта тем и распространяют в равномерных соотношениях среди небольшого процента клиентов. Та, что получила наибольший отклик, или open rate (процент открытых писем), считается приоритетной и применяется для всей оставшейся базы.
Однако этот метод не учитывает фактор изменчивости поведения пользователей. Тема, которая хорошо сработала утром при тестировании, может оказаться совершенно непригодной вечером. Этот недостаток и призвано устранить MО. Его применение в этой области мы называем Gestalt-тестированием.
Его отличие состоит в том, что тестирование и оптимизация рассылки происходят одновременно. Машина не исключает оставшиеся темы, а продолжает их отправлять небольшому проценту подписчиков, непрерывно анализируя open rate. Если второстепенный вариант неожиданно «выстреливает» спустя несколько часов, система подстраивается под изменившиеся условия и перераспределяет темы.
В этом методе используется так называемая байесовская оптимизация из теории вероятности. Это про пример, какой игральный автомат типа «однорукий бандит» лучше использовать, если у вас имеется ограниченное количество денег и времени.
Проблема индивидуализации
Все эти математические расчеты отлично работают, когда мы имеем дело с огромной базой подписчиков. Но стоит спуститься на уровень отдельного человека, для которого мы бы хотели оптимизировать канал, время или тему рассылки, — и мы опять сталкиваемся с проблемой нехватки данных. Чтобы машина могла достоверно ответить на эти вопросы, она должна иметь историю коммуникации с конкретным подписчиком на протяжении достаточно длительного времени.
Последние два года наших наблюдений показали, что паттерны поведения человека меняются значительно чаще, чем мы успеваем накопить какие-либо данные о нем. За это время мы пережили два локдауна, перевод сотрудников на удаленный режим работы, их релокацию в другие страны. Все эти глобальные потрясения влияют на поведение людей, и система не способна обучиться в условиях такого хаоса.
Даже в спокойные времена жизнь человека меняется быстро: он учится, затем меняет работу, у него появляется ребенок, который вскоре отправляется в садик, позже — в школу. Все эти события могут кардинально сказаться на поведении человека. Более того, стоит только накопить достаточно информации о подписчике, как он внезапно отписывается. Так мы пришли к выводу, что на индивидуальном уровне собрать достаточно данных для email-маркетинга в настоящее время невозможно.
Такими данными владеют почтовые провайдеры. У них как раз есть возможность накапливать и отслеживать изменения в паттернах поведения. Только они могут оптимизировать время доставки писем и даже решать, какие письма показывать пользователю, а какие скрывать. Именно на основе возможностей MО работают поведенческие спам-фильтры почты «Яндекса» и Gmail. Маркетологам остается только всеми силами стараться избегать попадания в «черные списки» ИИ ИТ-гигантов.
